王樹文，張長(zhǎng)利

（東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150030）

黃瓜是重要的蔬菜作物，黃瓜的病害問題已成為全國(guó)乃至世界范圍內(nèi)，困擾著黃瓜生產(chǎn)的關(guān)鍵性問題之一[1-4]。在不同品種、區(qū)域、氣候條件、耕作方法及栽培技術(shù)條件下，發(fā)生的病害種類和危害程度不同。然而，由于植物的生長(zhǎng)環(huán)境等日趨惡化，黃瓜病蟲害不斷加重，植物病害的病原菌數(shù)目眾多，引起癥狀呈現(xiàn)多樣性、復(fù)雜性，且長(zhǎng)期在對(duì)癥狀描述上一直沒有采用精確、定量的方法，造成了植物病害診斷標(biāo)準(zhǔn)的模糊，妨礙了農(nóng)業(yè)生產(chǎn)者對(duì)植物病害進(jìn)行正確有效的判斷，導(dǎo)致盲目大量施用農(nóng)藥，造成農(nóng)產(chǎn)品污染、土壤污染、水體污染等嚴(yán)重后果[5]。

本文以圖像處理技術(shù)為主要手段，采用VC++6.0作為開發(fā)工具，建立了黃瓜病害的染病程度的分級(jí)和識(shí)別診斷系統(tǒng)。該系統(tǒng)能夠縮短病害識(shí)別的周期、降低由于主觀因素產(chǎn)生的誤差、提高判別的精度并為防治措施提供依據(jù)。

1 樣本圖像的采集

利用圖像采集系統(tǒng)，選擇光照強(qiáng)度適中的時(shí)間進(jìn)行拍攝，從發(fā)病初期開始直至病情發(fā)展到非常嚴(yán)重的時(shí)期，平均每隔2d采集1次病葉圖像（見圖1）。

2 圖像預(yù)處理方法的研究

2.1 圖像增強(qiáng)

本文采用VC++6.0開發(fā)了優(yōu)化的銳化濾波算法實(shí)現(xiàn)圖像的增強(qiáng)[6-7]，圖像銳化是使在圖像傳輸和變換過程中模糊的邊緣圖像和輪廓圖像變得清晰，使其細(xì)節(jié)變得更加明顯，增強(qiáng)后的效果如圖2所示，本文以黃瓜霜霉病圖片為例。

圖1 黃瓜病害樣本圖像Fig.1 Sample cucumber disease images

圖2 增強(qiáng)圖像Fig.2 Images after enhance transform

2.2 背景分割

本文比較分析三種最常用的圖像分割法：動(dòng)態(tài)閾值分割法、Otsu法和分水嶺法。分割效果如圖3所示[8-10]。比較結(jié)果表明本文選取采用VC++6.0軟件開發(fā)的分水嶺法，它的精度高、噪聲干擾小，抗干擾能力強(qiáng)，能夠更好的實(shí)現(xiàn)分割的目的。

圖3 霜霉病分割效果圖Fig.3 Segmentation result of downy mildew spot

2.3 圖像去噪

本文是通過一個(gè)3×3大小的圓形結(jié)構(gòu)元素，先利用閉合運(yùn)算平滑邊界并填充病斑內(nèi)部的缺口，再將病斑的分離部分連接在一起，然后再進(jìn)行開啟運(yùn)算以消除病斑周圍的噪聲，進(jìn)一步獲得病斑區(qū)域。

此時(shí)將數(shù)學(xué)形態(tài)學(xué)濾波后的病斑區(qū)域圖像與原彩色圖像做乘法便得到霜霉病的病斑圖，如圖4所示。

圖4 霜霉病病斑Fig.4 Disease spot of downy mildew

3 病斑特征的提取

3.1 病斑的顏色特征提取

本文選擇了HSV顏色模型進(jìn)行病斑顏色的描述，并采用一定的量化方式將顏色特征以向量的形式進(jìn)行表達(dá)，將分別從H、S、V三個(gè)分量的均值、偏差、三階矩這三方面對(duì)顏色特征進(jìn)行表示。部分樣本的顏色特征如表1所示。

表1 病斑的顏色特征Table 1 Color feature of disease spot

3.2 病斑的紋理特征提取

從灰度-梯度共生矩陣中可以提取出多個(gè)統(tǒng)計(jì)特征參數(shù)，如梯度均方差、灰度熵、慣性等，但在實(shí)驗(yàn)中研究得出能量、相關(guān)性、同次性和差異性是最有效的特征，所以將從這四個(gè)參數(shù)的均值和偏差兩方面進(jìn)行提取，部分樣本的紋理特征如表2所示。

3.3 病斑的形狀特征提取

形狀特征可以看作是比顏色、紋理要高一些的特征，它的表達(dá)比顏色和紋理的表達(dá)從本質(zhì)上要復(fù)雜得多。部分樣本形狀特征參數(shù)如表3所示。

表2 病斑紋理特征數(shù)據(jù)Table 2 Texture feature of disease spot

表3 病斑形狀特征Table 3 Shape feature of disease spot

4 病害圖像的識(shí)別與分類

利用該黃瓜葉部病害識(shí)別的BP神經(jīng)網(wǎng)絡(luò)模型分別對(duì)病害樣本圖像進(jìn)行識(shí)別測(cè)試。為使樣本圖像既全面又有代表性，在專家的建議和幫助下在試驗(yàn)田采集了大量的病害圖像作為樣本，并選擇霜霉病、白粉病、病毒病和無病害圖像共320幅進(jìn)行測(cè)試，結(jié)果如表4所示。

表4 病害識(shí)別結(jié)果Table 4 Results of disease identification

從表4中可以看出，本文設(shè)計(jì)的黃瓜病害識(shí)別系統(tǒng)的平均準(zhǔn)確率為95.31%，本系統(tǒng)的識(shí)別精度較好，可以用于實(shí)際生產(chǎn)中的病害識(shí)別。

5 結(jié) 論

a.病斑癥狀在YUV顏色模型下較為明顯，同時(shí)還能減輕葉脈對(duì)于后續(xù)圖像分割的干擾。在比較幾種分割算法后發(fā)現(xiàn)分水嶺法分割效果最好，相比于動(dòng)態(tài)閾值法和Otsu法，分水嶺法更適應(yīng)光照不均、突發(fā)噪聲以及病斑邊緣不明顯等情況，因而能夠準(zhǔn)確地分割出病斑。

b.分別提取均值、偏差、三階矩、能量、相關(guān)性、同次性、平均橢長(zhǎng)短軸比、緊實(shí)度均值、平均內(nèi)外徑比、畸形度均值、圓形度均值等22個(gè)特征參數(shù)，從而對(duì)病斑進(jìn)行較全面的描述。

c.建立隱層神經(jīng)元個(gè)數(shù)可變的三層BP神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比確定最佳隱含層神經(jīng)元個(gè)數(shù)。對(duì)480幅黃瓜病害圖像進(jìn)行識(shí)別訓(xùn)練，并對(duì)另320幅樣本進(jìn)行測(cè)試，發(fā)現(xiàn)系統(tǒng)對(duì)于中度病害的識(shí)別準(zhǔn)確率較高，平均識(shí)別率為95.31%，可以滿足識(shí)別需求。

d.本系統(tǒng)能實(shí)現(xiàn)快速、無損、全自動(dòng)的特征信息檢測(cè)，為農(nóng)業(yè)專家研究黃瓜及其他作物提供先進(jìn)的技術(shù)指導(dǎo)和高精度的數(shù)據(jù)支持。

[1]張鵬,秦智偉,王麗莉,等.黃瓜果實(shí)彎曲性遺傳分析[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,41(1):29-33.

[2]趙聰慧,張靜,王雙喜.黃瓜霜霉病圖像預(yù)處理方法研究[J].農(nóng)機(jī)化研究,2010(1):60-63.

[3]曲麗,秦智偉.黃瓜白粉病病原菌及抗病性研究進(jìn)展[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2007,38(6):835-841.

[4]周鳳珍,王永健.黃瓜白粉病抗病鑒定方法的研究[J].蔬菜,1987(1):10-11.

[5]吳金鳳.黃瓜連作栽培常見病蟲害防治技術(shù)[J].現(xiàn)代農(nóng)業(yè)科技,2008(10):55-58.

[6]劉晨,侯德文.基于多小波變換與圖像融合的圖像增強(qiáng)方法[J].信息技術(shù)與信息化,2009(5):101-104.

[7]王樹文,張長(zhǎng)利,房俊龍.應(yīng)用計(jì)算機(jī)視覺對(duì)番茄損傷分類的研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2006,37(2):215-218.

[8]李崢嶸,劉曉平,李自元.圖像分割多閾值法研究[J].CT理論與應(yīng)用研究,2006(4):50-53.

[9]趙丹婷,柴玉華,張長(zhǎng)利.基于圖像處理技術(shù)的大豆灰斑病的檢測(cè)技術(shù)研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,41(4):119-123.

[10]李明,張長(zhǎng)利,王曉楠.基于圖像處理技術(shù)的小麥形態(tài)檢測(cè)方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2009,40(3):111-115.